边缘计算利用众多边缘设备为用户提供近地的实时计算与存储功能,能够满足用户低时延、快响应的需求,减轻了云计算中心以及网络带宽的压力。然而,边缘设备协作时需求各异,再加上边缘计算的开放自治、多源异构等特性,导致设备间缺乏必要的信任,难以抵挡内部的服务操纵、数据篡改等恶意攻击。信任机制能够有效抵御网络内部攻击,保证设备提供可靠服务,但边缘层海量的信任信息形成了庞大的信任网络,资源受限的边缘设备难以承担复杂的存储、查询任务。因此,如何在边缘计算环境下构建轻量级的信任模型逐渐成为研究热点。本文针对上述问题提出了解决方案,主要研究工作如下:(1)为了降低边缘计算信任模型的资源开销,解决信任路径冗余等问题,提出了一种基于DFS算法的边缘计算信任评估模型。首先,将设备间复杂庞大的信任关系抽象成有向加权图,并对其进行定义说明,再采用基于信息熵理论的自适应聚合方法对信任值进行聚合;其次,通过添加信任阈值、路径长度限制、滑动窗口等多重约束条件,过滤不符合要求的节点和信任边,在此基础上利用改进后的DFS(Depth First Search)算法对冗余的信任路径进行优化处理,避免环路以及节点绕路问题。实验结果表明本文算法在保障信任模型有效性的同时,能够减轻边缘设备在信任评估过程中的资源开销。(2)为了提高信任评估的准确性保证域内负载均衡,解决评价属性单一、信任路径高度重叠等问题,提出了一种基于KSP算法的多属性信任评估模型。首先,从服务的多属性角度出发,细化信任评价属性,并利用层次分析法进行权值分配,满足个体用户的特殊需求;其次,基于KSP(K Shortest Paths)惩罚因子思想提出了信任路径优化算法RKSP(KSP based on Repeatability),过滤高度重叠的路径,使搜索到的信任路径具有一定的差异性,并利用A*算法启发性搜索的特点,降低访问节点的数量。实验结果表明,该模型能够减轻边缘设备的资源开销,使模型推荐的结果更符合用户需求。